【正文】 e=imcrop(d,[left top dd hh])。 end dd=rightleft。amp。 leftn 34 畢業(yè)設(shè)計(jì) 專用紙 left=left+1。 end while sum(d(:,left))==0 amp。amp。 top=m top=top+1。 % init while sum(d(top,:))==0 amp。left=1。 top=1。 end end end result=d。flag=1。 if sum(sum(d))~=0。 end else word=qiege(imcrop(d,[1 1 wide m]))。 % 切割出最小范圍 else word=[]。 n1/m1y2 d(:,[1:wide])=0。 if widey1 amp。 end temp=qiege(imcrop(d,[1 1 wide m]))。amp。 wide=0。y2=。flag=0。)。 end figure(17),subplot(3,1,2),imshow(dw),title (39。 findc=find(Error1==MinError)。 end Error1=Error(kmin:kmax)。 for k1=1:40 for l1=1:20 if ( SubBw2(k1,l1) 0 | SubBw2(k1,l1) 0 ) Dmax=Dmax+1。 for i=1:40 for j=1:20 SubBw2(i,j)=SegBw2(i,j)SamBw2(i,j)。)。,liccode(k2),39。 end for k2=kmin:kmax fname=strcat(39。 else l=3 %第三位以后是字母或數(shù)字識(shí)別 kmin=1。 elseif l==2 %第二位 A~Z 字母識(shí)別 32 畢業(yè)設(shè)計(jì) 專用紙 kmin=11。 if l==1 %第一位漢字識(shí)別 kmin=37。nearest39。])。 t=imread([ii,39。 l=1。])。 39。:39。 39。:39。 liccode=char([39。39。)。 imwrite(word6,39。39。)。 imwrite(word4,39。39。)。 imwrite(word2,39。39。)。 subplot(3,7,14),imshow(word7),title(39。639。)。 subplot(3,7,12),imshow(word5),title(39。439。)。 subplot(3,7,10),imshow(word3),title(39。239。)。 figure(16), subplot(3,7,8),imshow(word1),title(39。 word6=imresize(word6,[40 20])。 word4=imresize(word4,[40 20])。 word2=imresize(word2,[40 20])。 [m,n]=size(word1)。739。)。 figure(14),imshow(word6),title(39。539。)。 figure(12),imshow(word4),title(39。339。)。 figure(10),imshow(word2),title(39。139。 % 分割出第七個(gè)字符 [word7,d]=getword(d)。 % 分割出第五個(gè)字符 [word5,d]=getword(d)。 % 分割出第三個(gè)字符 [word3,d]=getword(d)。d=qiege(d)。word1=temp。 two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)))。 [m,n]=size(temp)。 d=qiege(d)。 while sum(d(:,wide+1))~=0 wide=wide+1。 left=1。word1=[]。y2=。 % 分割 end end % 再切割 d=qiege(d)。 if k2k1=round(n/) [val,num]=min(sum(d(:,[k1+5:k25])))。 j=n1 j=j+1。 while s(j)~=0 amp。 while j~=n while s(j)==0 j=j+1。s=sum(d)。 figure,subplot(2,1,1),imshow(d),title(n) k1=1。) % 尋找連續(xù)有文字的塊， 若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割 d=qiege(d)。 figure(8),subplot(3,2,5),imshow(d),title(39。 .jpg39。 elseif bwarea(d)/m/n= d=imdilate(d,se)。 % eye(n) returns the nbyn identity matrix 單位矩陣 [m,n]=size(d)。ball39。diamond39。line39。,3)。) % 某些圖像進(jìn)行操作 % 膨脹或腐蝕 % se=strel(39。 figure(8),subplot(3,2,4),imshow(d),title(39。 .jpg39。 d=im2bw(round(filter2(h,d)))。average39。 39。 39。 figure(8)。 .jpg39。 d=(double(b)=T)。 T=round(g_max(g_maxg_min)/3)。) g_max=double(max(max(b)))。subplot(3,2,1),imshow(b),title(39。)。 imwrite(b,39。)。 a=imread(39。)。,39。 [filename,filepath]=uigetfile(39。39。定位剪切后的彩 色車牌圖像 39。)。 figure(7),subplot(1,2,1),imshow(IY),title(39。 dw=I(PY1:PY2,:,:)。 end %end 縱向掃描 PX1=PX12。amp。 end PX2=x。amp。 end end end PX1=1。 %IY 為原始圖像 I中截取的縱坐標(biāo)在 PY1： PY2 之間的部分 %end 橫向掃描 %begin 縱向掃描 Blue_x=zeros(1,x)。(PY2y)) PY2=PY2+1。 while ((Blue_y(PY2,1)=40)amp。(PY11)) PY1=PY11。 while ((Blue_y(PY1,1)=120)amp。%藍(lán)色像素點(diǎn)統(tǒng)計(jì) end 27 畢業(yè)設(shè)計(jì) 專用紙 end end [temp MaxY]=max(Blue_y)。 %begin 橫向掃描 tic Blue_y=zeros(y,1)。 [y,x,z]=size(I5)。從對(duì)象中移除小對(duì)象 39。 figure(6),imshow(I5)。)。title(39。 I4=imclose(I3,se)。rectangle39。)。title(39。 I3=imerode(I2,se)。1。robert 算子邊緣檢測(cè) 39。 figure(3),imshow(I2)。both39。robert39。)。title(39。)。title(39。 I1=rgb2gray(I)。原圖 39。 figure(1),imshow(I)。39。 總之，盡管目前牌照字符的識(shí)別率還不理想， 但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類識(shí)別能力更好的特征值和設(shè)計(jì)分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識(shí)別率是完全可行的。模板的制作很重要，必須要用精確的模板，否則就不能正確的識(shí)別。這在對(duì)于有雜點(diǎn)的車牌是很有用 的，因?yàn)檫@樣可以把字符與字符之間的雜色點(diǎn)去除，只有白色的字符和黑色的背景存在，這樣有利于的字符分割進(jìn)行。需要做一定的設(shè)置后才能識(shí)別出相應(yīng)的字符。而采用了色彩通道的牌照區(qū)域分割算法充分利用了牌照?qǐng)D象的色彩信息，簡(jiǎn)化了算法的實(shí)現(xiàn)，加快了圖象的處理速度，具有較高的檢出正確率，而且整個(gè)過程用 MATLAB 語言編程實(shí)現(xiàn)，無時(shí)間滯后感，可以滿足實(shí)時(shí)檢出的要求。把每一幅相減后的圖的 0 值個(gè)數(shù)保存，即為識(shí)別出來的結(jié)果。其他模板設(shè)計(jì)的方法與此相同。車牌字符識(shí)別與一般文字識(shí)別在于它的字符數(shù)有限，漢字共約 50 多個(gè)，大寫英文字母 26 個(gè)，數(shù)字 10 個(gè)。 =1,2,3 二 34).邏輯‘與’運(yùn)算對(duì)應(yīng)的 MATLAB 命令為 : L=and(a, b) 步驟 3：根據(jù)預(yù)先設(shè)計(jì)好的判別函數(shù)，得出最終的識(shí)別結(jié)果 .本文采用了兩個(gè)判別函數(shù)，分別為 : 上述兩個(gè)函數(shù)中， surn (A)表示求矩陣 A 中所有元素的和 .在函數(shù) (1)中，與凡所對(duì)應(yīng)的乓代表的標(biāo)準(zhǔn)模板為識(shí)別結(jié)果，在函數(shù) (2)中，與 X、對(duì)應(yīng)的 B、所代表的標(biāo)準(zhǔn)模板為識(shí)別結(jié)果 . 步驟 4：通過 MATLAB 將正確的識(shí)別結(jié)果輸出 . 25 畢業(yè)設(shè)計(jì) 專用紙 識(shí)別結(jié)果及對(duì)比 此處采用相減的方法來求得字符與模板中哪一個(gè)字符最相似，然后找到相似度最大的輸出。) level=graythresh(1)。 這就需要引入判別函數(shù)，而本文則是選取了兩個(gè)判別函數(shù)，分別利用這兩 個(gè)判別函數(shù)對(duì)運(yùn)算 23 畢業(yè)設(shè)計(jì) 專用紙 24 畢業(yè)設(shè)計(jì) 專用紙 圖 16 字符識(shí)別流程圖 本文方法具體步驟 步驟 1：利用 MATLAB 將標(biāo)準(zhǔn)字符模板與待識(shí)別字符所對(duì)應(yīng)的像素矩陣求出來，然后將它們二值化，得到相應(yīng)的二值矩陣，分別記為 B (i=1,2,3， 4)和 D.將數(shù)字圖像進(jìn)行二值化的 MATLAB命令為 : I=imread(39。的標(biāo)準(zhǔn)模板， (b)表示待識(shí)別字符‘ A39。 圖 2, 3 和 4 中的 (a)分別表示字符‘ A39。匹配時(shí)相似度函數(shù)定義為： 其中， f ij 為待識(shí)別車牌字符圖像中像素點(diǎn) (i， j) 的灰度值，這里的取值為 0或 1， t (i， j )為模板字符圖像中像素點(diǎn) (i， j )的灰度值，這里的取值為 0或 1；M 和 N 為模板字符點(diǎn)陣橫向和縱向包含的像素個(gè)數(shù)。 模版匹配法原理簡(jiǎn)介 要對(duì)一個(gè)車牌字符進(jìn)行識(shí)別，首先是將這個(gè)車牌字符的圖片輸入電腦，而要對(duì)它進(jìn)行處理，就要將它轉(zhuǎn)化為計(jì)算機(jī)可以識(shí)別的語言 .由于每一個(gè)待識(shí)別字符都是以數(shù)字圖像的形式存在的，因此將待識(shí)別字符的圖片通過 MATLAB 轉(zhuǎn)化為矩陣，再通過對(duì)矩陣進(jìn)行一系列的數(shù)學(xué)運(yùn)算，從而達(dá)到對(duì)圖片進(jìn)行識(shí)別的目的 .MATLAB 是處理矩陣運(yùn)算的強(qiáng)大軟件，所以本文的整個(gè)識(shí)別過程都是通過MATLAB 來實(shí)現(xiàn)的 . 22 畢業(yè)設(shè)計(jì) 專用紙 首先以二維圖像的處理為例介紹一下傳統(tǒng)的模板匹配算法。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。 模板匹配是圖象識(shí)別方法中最具代表性的基本方法之一，它是將從待識(shí)別的圖象或圖象區(qū)域 f(i,j)中